Admisión abierta 2026-2027Rellenar solicitud

Diplomado en Inferencia en MCU/NPUs (TFLite/ONNX/TensorRT)

Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Hardware para inferencia en el borde» a «Proyecto de inferencia embebida», pasando por «ONNX y ONNX Runtime».

Mapa del programa · pulsa un módulo
Módulo 1 · Hardware para inferencia en el borde
800 hDuración total
8Módulos
80Submódulos
OnlineModalidad

Competencias y resultados

6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.

Hardware para inferencia en el borde

Saldrás manejando microcontroladores Cortex-M y RISC-V, extensiones DSP y Helium (MVE) y NPUs embebidas: Ethos-U y similares. Es lo que se trabaja en «Hardware para inferencia en el borde», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Modelos eficientes

Saldrás manejando arquitecturas ligeras: MobileNet y EfficientNet, redes para series temporales y audio y convoluciones separables en profundidad. Es lo que se trabaja en «Modelos eficientes», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Cuantización

Saldrás manejando representación en punto fijo y enteros, cuantización posentrenamiento y entrenamiento consciente de la cuantización. Es lo que se trabaja en «Cuantización», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

ONNX y ONNX Runtime

Saldrás manejando formato ONNX: grafo, operadores y opsets, exportación desde PyTorch y optimización del grafo y fusión de operadores. Es lo que se trabaja en «ONNX y ONNX Runtime», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

TensorRT y GPUs embebidas

Saldrás manejando arquitectura de TensorRT, construcción de motores y perfiles de optimización y precisión FP16 e INT8 con calibración. Es lo que se trabaja en «TensorRT y GPUs embebidas», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Sistemas en producción

Saldrás manejando preprocesado de sensores en el dispositivo, pipelines de audio, vídeo e IMU y actualizaciones de modelos por OTA. Es lo que se trabaja en «Sistemas en producción», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Comparar arquitecturas MCU, NPU y GPU embebida para inferencia.
  • 02Diseñar modelos eficientes para recursos limitados.
  • 03Aplicar técnicas de cuantización y evaluar su impacto en la precisión.
  • 04Desplegar modelos con TensorFlow Lite en microcontroladores.
  • 05Exportar y ejecutar modelos con ONNX Runtime.
  • 06Optimizar la inferencia en GPUs embebidas con TensorRT.
  • 07Poner en producción y monitorizar sistemas de inferencia embebida.

Plan de estudios

8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.

1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos

Hardware para inferencia en el borde

1.1Microcontroladores Cortex-M y RISC-V
1.2Extensiones DSP y Helium (MVE)
1.3NPUs embebidas: Ethos-U y similares
1.4SoCs con aceleradores: Jetson y Coral
1.5Jerarquía de memoria: SRAM, flash y DRAM
1.6Consumo energético y presupuestos de potencia
1.7Métricas: latencia, rendimiento y TOPS/W
1.8Benchmarks MLPerf Tiny
1.9Selección de plataforma según aplicación
1.10Caso práctico: comparación de plataformas para detección de palabras clave
Módulo 2 de 8 · 10 submódulos

Modelos eficientes

2.1Arquitecturas ligeras: MobileNet y EfficientNet
2.2Redes para series temporales y audio
2.3Convoluciones separables en profundidad
2.4Búsqueda de arquitecturas para MCU: MCUNet
2.5Destilación del conocimiento
2.6Poda estructurada y no estructurada
2.7Factorización de bajo rango
2.8Cálculo de MACs y memoria de activaciones
2.9Compromiso precisión-eficiencia
2.10Práctica: entrenamiento de un modelo compacto en Keras
Módulo 3 de 8 · 10 submódulos

Cuantización

3.1Representación en punto fijo y enteros
3.2Cuantización posentrenamiento
3.3Entrenamiento consciente de la cuantización
3.4Cuantización por tensor y por canal
3.5Calibración con datos representativos
3.6INT8, INT4 y precisión mixta
3.7Efectos sobre la precisión y depuración
3.8Cuantización de activaciones y sesgos
3.9Formatos de pesos comprimidos
3.10Laboratorio: cuantización INT8 con TFLite Converter
Módulo 4 de 8 · 10 submódulos

TensorFlow Lite y LiteRT para MCU

4.1Flujo de conversión a FlatBuffer
4.2Intérprete de TFLite Micro
4.3Resolución de operadores y registro
4.4Arena de tensores y planificación de memoria
4.5Kernels optimizados CMSIS-NN
4.6Delegados para NPUs
4.7Despliegue en placas STM32 y nRF
4.8Perfilado de latencia por capa
4.9Depuración en el dispositivo
4.10Laboratorio: despliegue de un clasificador en Cortex-M4
Módulo 5 de 8 · 10 submódulos

ONNX y ONNX Runtime

5.1Formato ONNX: grafo, operadores y opsets
5.2Exportación desde PyTorch
5.3Optimización del grafo y fusión de operadores
5.4ONNX Runtime y proveedores de ejecución
5.5Cuantización en ONNX Runtime
5.6Herramientas: Netron y onnx-simplifier
5.7Compiladores: TVM y microTVM
5.8Interoperabilidad entre frameworks
5.9Validación numérica tras la conversión
5.10Práctica: exportación y optimización de un modelo PyTorch
Módulo 6 de 8 · 10 submódulos

TensorRT y GPUs embebidas

6.1Arquitectura de TensorRT
6.2Construcción de motores y perfiles de optimización
6.3Precisión FP16 e INT8 con calibración
6.4Capas personalizadas y plugins
6.5DLA en plataformas Jetson
6.6DeepStream para vídeo
6.7Gestión de memoria y flujos CUDA
6.8Perfilado con Nsight Systems
6.9Despliegue en contenedores
6.10Laboratorio: aceleración de un detector con TensorRT en Jetson
Módulo 7 de 8 · 10 submódulos

Sistemas en producción

7.1Preprocesado de sensores en el dispositivo
7.2Pipelines de audio, vídeo e IMU
7.3Actualizaciones de modelos por OTA
7.4Seguridad del modelo y cifrado
7.5Monitorización de deriva en el borde
7.6Aprendizaje federado y en el dispositivo
7.7Requisitos de tiempo real y RTOS
7.8Pruebas y validación del firmware
7.9MLOps para sistemas embebidos
7.10Caso práctico: mantenimiento predictivo con vibración en MCU
Módulo 8 de 8 · 10 submódulos

Proyecto de inferencia embebida

8.1Definición del caso de uso
8.2Selección del hardware
8.3Recogida y preparación de datos
8.4Diseño y entrenamiento del modelo
8.5Optimización y cuantización
8.6Despliegue y perfilado
8.7Validación en campo
8.8Análisis de consumo y coste
8.9Memoria y presentación
8.10Revisión final con el tutor

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 meses previstos

¿Qué nivel tienes ya?

Cinco conceptos del propio temario. Marca lo que ya controlas y te decimos si te conviene el curso, el diplomado o el máster.

Selección de plataforma según aplicación
Módulo 1 · Hardware para inferencia en el borde
Poda estructurada y no estructurada
Módulo 2 · Modelos eficientes
Entrenamiento consciente de la cuantización
Módulo 3 · Cuantización
Laboratorio: despliegue de un clasificador en Cortex-M4
Módulo 4 · TensorFlow Lite y LiteRT para MCU
Compiladores: TVM y microTVM
Módulo 5 · ONNX y ONNX Runtime

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

ISO/PAS 8800 (inteligencia artificial en vehículos de carretera)ISO 26262 (seguridad funcional en automoción)IEC 61508Especificación ONNXMISRA C:2012ISO/IEC 22989 (conceptos de IA)Reglamento (UE) 2024/1689 (Ley de IA)

Cuerpo docente y expertos

Directores académicos de los institutos de SEIUM. El detalle de cada instituto está en la página de institutos.

Dr. Kevin O’Connor Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji Takahashi Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.

El claustro completo y los once institutos, con sus líneas de trabajo, están en institutos SEIUM y en liderazgo y consejo asesor.

Dónde se trabaja con esto

Perfiles a los que da acceso el programa.

Ingeniero de machine learning embebido
Ingeniero de software embebido
Ingeniero de MLOps en el borde
Desarrollador de visión artificial embebida
Arquitecto de hardware para IA
Ingeniero de optimización de modelos

Para quién es

Ingeniero de machine learning embebido
Ingeniero de software embebido
Ingeniero de MLOps en el borde
Desarrollador de visión artificial embebida
Arquitecto de hardware para IA
Ingeniero de optimización de modelos
Titulados en ingeniería o ciencias que busquen entrar en electrónica de consumo

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

Áreas cercanas: todas las de Salud, Biomecánica, Wearables & Seguridad Operacional · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Data, IA, Simulación & Analytics · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · todas las facultades.

Opiniones de alumnos

Opiniones verificadas de alumnos de SEIUM, recogidas en Opynio.

Ver reseñas completas

De la solicitud al aula, sin esperas

  1. 1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
  2. 2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
  3. 3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 27-11-2026.

El proceso completo, con documentación, plazos, convalidaciones y becas, está en admisión, cómo aplicar y becas y ayudas.

Comprueba tu acceso en tres respuestas

¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Salud, Biomecánica, Wearables & Seguridad Operacional?
¿Puedes mantener un ritmo de estudio constante durante 800 horas · 6 a 8 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
  • ·Conexión a internet y un ordenador capaz de ejecutar el software del programa.
  • ·Nivel de español suficiente para seguir lectura de normativa técnica.

Cómo se estudia

Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.

Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es TensorFlow Lite / LiteRT, ONNX Runtime, NVIDIA TensorRT, STM32Cube.AI, Edge Impulse, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de benchmarks de latencia y consumo (MLPerf Tiny), despliegue en microcontroladores, comparativas de precisión tras cuantización. La evaluación es continua por módulo más el proyecto integrador final.

Las modalidades, el calendario y las tasas son comunes a todos los programas: modalidades, calendario académico y tasas y financiación.

Preguntas frecuentes

Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Hardware para inferencia en el borde» y cierra con «Proyecto de inferencia embebida».

Se trabajan ISO/PAS 8800 (inteligencia artificial en vehículos de carretera), ISO 26262 (seguridad funcional en automoción), IEC 61508, Especificación ONNX, MISRA C:2012 y ISO/IEC 22989 (conceptos de IA).

Los perfiles más directos son Ingeniero de machine learning embebido, Ingeniero de software embebido, Ingeniero de MLOps en el borde, Desarrollador de visión artificial embebida y Arquitecto de hardware para IA.

En un pago son 1.432 €, sobre una tarifa de 1.790 €. A plazos, una entrada de 716 € y 6 cuotas de 179 €, 1.790 € en total, sin intereses: lo mismo que la tarifa.

Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, Conexión a internet y un ordenador capaz de ejecutar el software del programa y Nivel de español suficiente para seguir lectura de normativa técnica.

El programa son 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con TensorFlow Lite / LiteRT, ONNX Runtime, NVIDIA TensorRT, STM32Cube.AI, Edge Impulse. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.

Diploma propio de SEIUM al superar la evaluación continua y el proyecto integrador. Es formación propia, no un título oficial del Ministerio.

Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.

Las dudas comunes a todos los programas (titulación, convalidaciones, visado, idiomas) están resueltas en preguntas frecuentes, equivalencias y convalidaciones e idiomas.

Inicio de clases: 22 de diciembre de 20261.432 € Matricularme
Contactar con Seium
Pago al contado1.432 €ahorras 358 €
Reservar plaza
Seium - Universidad de ingeniería avanzada
Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.